論文の概要: Satellite Based Computing Networks with Federated Learning

• arxiv url: http://arxiv.org/abs/2111.10586v1
• Date: Sat, 20 Nov 2021 13:24:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 17:19:03.008377
• Title: Satellite Based Computing Networks with Federated Learning
• Title（参考訳）: フェデレーション学習を用いた衛星ベースの計算ネットワーク
• Authors: Hao Chen, Ming Xiao, and Zhibo Pang
• Abstract要約: 人工知能(AI)によって強化された第6世代(6G)モバイルシステムである無線通信の新世代が、かなりの研究関心を集めている。 6Gの様々な候補技術の中で、低軌道(LEO)衛星はユビキタス無線アクセスの特徴をアピールしている。 知的適応学習を備えた大規模相互接続デバイスをサポートし,SatComにおける高価なトラフィックを削減するため,LEOベースの衛星通信ネットワークにおけるフェデレーション学習(FL)を提案する。
• 参考スコア（独自算出の注目度）: 30.090106801185886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by the ever-increasing penetration and proliferation of data-driven applications, a new generation of wireless communication, the sixth-generation (6G) mobile system enhanced by artificial intelligence (AI), has attracted substantial research interests. Among various candidate technologies of 6G, low earth orbit (LEO) satellites have appealing characteristics of ubiquitous wireless access. However, the costs of satellite communication (SatCom) are still high, relative to counterparts of ground mobile networks. To support massively interconnected devices with intelligent adaptive learning and reduce expensive traffic in SatCom, we propose federated learning (FL) in LEO-based satellite communication networks. We first review the state-of-the-art LEO-based SatCom and related machine learning (ML) techniques, and then analyze four possible ways of combining ML with satellite networks. The learning performance of the proposed strategies is evaluated by simulation and results reveal that FL-based computing networks improve the performance of communication overheads and latency. Finally, we discuss future research topics along this research direction.
• Abstract（参考訳）: データ駆動アプリケーションの普及と普及により、新しい世代の無線通信、人工知能(AI)によって強化された第6世代(6G)モバイルシステムは、かなりの研究関心を集めている。 6gの様々な候補技術のうち、低軌道(leo)衛星はユビキタス無線アクセスの特徴を持っている。 しかし、衛星通信(SatCom)のコストは、地上の移動ネットワークと比較して依然として高い。 知的適応学習を備えた大規模相互接続デバイスをサポートし,SatComにおける高価なトラフィックを削減するため,LEOベースの衛星通信ネットワークにおけるフェデレーション学習(FL)を提案する。 まず、最先端のLEOベースのSatComとその機械学習(ML)技術について概説し、次に、MLと衛星ネットワークを組み合わせる4つの方法を分析する。 提案手法の学習性能をシミュレーションにより評価し,FLベースのコンピューティングネットワークが通信オーバヘッドと遅延性能を向上させることを示した。 最後に,今後の研究の方向性について論じる。

関連論文リスト

• Leveraging Large Language Models for Integrated Satellite-Aerial-Terrestrial Networks: Recent Advances and Future Directions [47.791246017237]
  統合衛星、航空、地上ネットワーク(ISATN)は多様な通信技術の洗練された収束を表現している。 本稿では,Large Language Models (LLM) を ISATN に統合するトランスフォーメーションの可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-05T15:23:43Z)
• Communication-Efficient Federated Learning for LEO Satellite Networks Integrated with HAPs Using Hybrid NOMA-OFDM [1.3121410433987561]
  本稿では,LEO衛星に適した新しいFL-SatComアプローチであるNomaFedHAPを提案する。 NomaFedHAPは高高度プラットフォーム(HAP)を分散パラメータサーバ(PS)として利用し、衛星の可視性を高める。 近距離シェルにおける衛星の停止確率とシステム全体の停止確率のクローズドな表現を導出する。
  論文  参考訳（メタデータ） (2024-01-01T07:07:27Z)
• Cooperative Federated Learning over Ground-to-Satellite Integrated Networks: Joint Local Computation and Data Offloading [33.44828515877944]
  本稿では,遠隔地における機械学習サービス管理を容易にするために,地域間協調学習(FL)手法を提案する。 本手法は、FL中に以下の重要な機能を提供するために衛星星座を編成する。 本手法は地上のみの衛星ベースラインアプローチと比べ,FLの収束を著しく早めることができることを示す。
  論文  参考訳（メタデータ） (2023-12-23T22:09:31Z)
• Artificial Intelligence Techniques for Next-Generation Mega Satellite Networks [37.87439415970645]
  本稿では,地球規模の衛星ネットワーク,特に大規模衛星ネットワーク通信におけるAI技術の適用について紹介する。 巨大な衛星ネットワークのユニークな特徴を詳述し、現在の通信インフラへの統合と相容れない課題を詳述する。 これには、高度にダイナミックなラジオチャンネル、スペクトルセンシングと分類、信号検出と復調、衛星間および衛星アクセスネットワーク最適化、ネットワークセキュリティの予測にAIを適用することが含まれる。
  論文  参考訳（メタデータ） (2022-06-02T13:56:32Z)
• Machine Learning-Based User Scheduling in Integrated Satellite-HAPS-Ground Networks [82.58968700765783]
  第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。 本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
  論文  参考訳（メタデータ） (2022-05-27T13:09:29Z)
• Learning Emergent Random Access Protocol for LEO Satellite Networks [51.575090080749554]
  創発的ランダムアクセスチャネルプロトコル(eRACH)と呼ばれるLEO SATネットワークのための新しい許可なしランダムアクセスソリューションを提案する。 eRACHは、非定常ネットワーク環境との相互作用によって生じるモデルフリーなアプローチである。 RACHと比較して,提案するeRACHは平均ネットワークスループットが54.6%向上することを示す。
  論文  参考訳（メタデータ） (2021-12-03T07:44:45Z)
• Deep Learning Aided Routing for Space-Air-Ground Integrated Networks Relying on Real Satellite, Flight, and Shipping Data [79.96177511319713]
  現在の海上通信は主に単なる送信資源を持つ衛星に依存しており、現代の地上無線ネットワークよりも性能が劣っている。 大陸横断航空輸送の増加に伴い、商業旅客機に依存した航空アドホックネットワークという有望な概念は、空対地およびマルチホップ空対空リンクを介して衛星ベースの海上通信を強化する可能性がある。 低軌道衛星コンステレーション、旅客機、地上基地局、船舶がそれぞれ宇宙、航空、船舶として機能する、ユビキタスな海上通信を支援するための宇宙地上統合ネットワーク(SAGIN)を提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:12:10Z)
• Artificial Intelligence for Satellite Communication: A Review [91.3755431537592]
  この研究は、AI、その多様なサブフィールド、そして最先端のアルゴリズムの概要を提供する。 さまざまな衛星通信分野へのAIの適用は、ビームホッピング、アンチジャミング、ネットワークトラフィック予測、チャネルモデリング、テレメトリマイニング、電離圏シンチレーション検出、干渉管理、リモートセンシング、行動モデリング、スペースエアグラウンド統合、エネルギー管理など、優れた可能性を実証しています。
  論文  参考訳（メタデータ） (2021-01-25T13:01:16Z)
• Integrating LEO Satellite and UAV Relaying via Reinforcement Learning for Non-Terrestrial Networks [51.05735925326235]
  低軌道軌道(LEO)衛星のメガコンステレーションは、低レイテンシで長距離通信を可能にする可能性がある。 軌道上の星座から選択されたLEO衛星を用いて、2つの遠距離地上端末間でパケットを転送する問題について検討する。 エンドツーエンドのデータレートを最大化するためには、衛星アソシエーションとHAPロケーションを最適化する必要がある。 本稿では, 深部強化学習(DRL)と新しい動作次元低減技術を用いてこの問題に対処する。
  論文  参考訳（メタデータ） (2020-05-26T05:39:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。